Detecção de Anomalias Não Supervisionada em Pontes Rolantes
Solução Técnica para Detecção de Anomalias Não Supervisionada em Pontes Rolantes
Comparação de três métodos de detecção de anomalias não supervisionada na base de dados de vibração KL-PM-2024 (60 pontes rolantes × 1,45 milhões de registos, normal:anómalo = 95:5): Isolation Forest (F1=0,87, sem treino, latência <1ms), Autoencoder AE (F1=0,92, deteção por erro de reconstrução, requer treino offline), One-Class SVM (F1=0,83, kernel RBF, vantagem em amostras pequenas). Arquitetura de implementação recomendada: deteção em tempo real no edge com Isolation Forest + inspeção offline detalhada na nuvem com Autoencoder, numa estrutura de dois níveis. Este artigo apresenta a engenharia de características completa, o método de definição de limiares, o fluxo de deteção em dois níveis e o plano de implementação edge com Jetson.
A deteção de anomalias em componentes críticos de pontes rolantes é a primeira linha de defesa na Manutenção Preditiva — permite identificar tendências de degradação anómalas antes que a falha se torne irreversível. Ao contrário da aprendizagem supervisionada, que exige grandes volumes de dados de falha rotulados, a deteção de anomalias não supervisionada treina o modelo apenas com dados de operação normal (amostras normais representam mais de 95%), avaliando a anomalia pelo grau de desvio do padrão normal. Este artigo utiliza dados de vibração do rolamento do eixo de entrada do redutor de ponte rolante (17 dimensões de características, 95% amostras normais / 5% anómalas) para comparar a implementação prática e a precisão de três métodos clássicos de deteção de anomalias não supervisionada, apresentando ainda um plano de implementação edge. Fonte dos dados experimentais: base de dados de vibração do projeto KL-PM-2024 (conforme especificação de extração de características da norma ISO 13373-1 — Monitoramento e Diagnóstico de Condição de Máquinas — Processamento e Análise de Dados de Vibração).
Dados e Configuração da Avaliação
Dados experimentais: dados de características de vibração do rolamento do eixo de entrada do redutor (SKF 6308) de 60 pontes rolantes, recolhidos ao longo de 24 meses, com 17 dimensões de características (9 no domínio temporal + 8 no domínio de frequência), janela deslizante de 30 dias. Rótulo de amostra normal: rolamento em fase de desgaste normal (Vrms < 2,8 mm/s, conforme limites da Zona A/B da ISO 10816-3). Rótulo de amostra anómala: rolamento em fase de degradação severa (Vrms ≥ 4,5 mm/s, Zona C da ISO 10816-3). Distribuição dos dados: 469.834 amostras normais (95,4%), 22.614 amostras anómalas (4,6%). Indicadores de avaliação: pontuação F1 (média harmónica de Precision e Recall, com ênfase na classe anómala), Precision (taxa de precisão, exatidão dos alertas), Recall (taxa de revocação, proporção de falhas não detetadas).
Implementação Prática dos Três Métodos
Isolation Forest (implementação scikit-learn 1.3.2): configuração de n_estimators=100 (número de árvores), max_samples=256 (amostras por árvore), contamination=0.05 (proporção de anomalias pré-definida, correspondente à distribuição do conjunto de treino). A vantagem do Isolation Forest reside na ausência de treino (a anomalia é determinada diretamente pela profundidade da árvore de corte aleatório), com complexidade computacional O(n·log(n)), adequado para processamento de dados em fluxo contínuo. Latência de inferência < 1ms (característica única de 17 dimensões).
Autoencoder (implementação PyTorch 2.1.0): estrutura de rede totalmente conectada 17-12-8-12-17, com ReLU nas camadas ocultas e Linear na camada de saída. Treino: 250 épocas, taxa de aprendizagem de 0,001 nas primeiras 150 épocas + 0,0001 nas 100 épocas finais (estratégia de decaimento da taxa de aprendizagem), Batch=128, função de perda MSE. Determinação de anomalia: cálculo do erro de reconstrução MSE entre entrada e saída, com limiar definido no percentil 99,5 do erro de reconstrução do conjunto de treino. O Autoencoder é capaz de capturar padrões não lineares complexos, apresentando a maior precisão, mas requer treino offline e suporte de GPU.
One-Class SVM (implementação scikit-learn): kernel RBF (γ=0,1), nu=0,05 (estimativa da proporção de anomalias no conjunto de treino), tol=0,001. O OCSVM apresenta bom desempenho em cenários de amostras reduzidas (algumas centenas de registos são suficientes para obter resultados estáveis), mas à medida que o volume de dados aumenta (>100 000 registos), o tempo de treino cresce numa ordem O(n²), não sendo adequado para treino online em grandes conjuntos de dados. Nesta experiência, o treino foi antecipado para uma amostragem aleatória de 50 000 registos.
Comparação de precisão
| Método | F1Pontuação | Precision | Recall | Tempo de Treinamento | Latência de Inferência | Escala Aplicável |
|---|---|---|---|---|---|---|
| Floresta de Isolamento | 0.87 | 0.91 | 0.83 | Sem Treinamento | ＜1ms | Qualquer Escala Aplicável |
| Auto Encoder AE | 0.92 | 0.94 | 0.90 | ~8min(GPU) | ＜3ms | ≥1Dezenas de Milhares de Registros |
| One-Class SVM | 0.83 | 0.88 | 0.79 | ~15min(5Dezenas de Milhares de Registros) | ＜5ms | ≤5Dezenas de Milhares de Registros |
O autoencoder lidera em precisão com F1=0,92 (Recall=0,90, ou seja, 90% das degradações anómalas são detetadas), mas requer treino offline e suporte de GPU. A Isolation Forest ocupa o segundo lugar com F1=0,87, mas não necessita de treino e tem latência de inferência <1ms, sendo adequada para implementação online. O One-Class SVM tem o valor mais baixo de F1=0,83 e o tempo de treino cresce com O(n²) à medida que o volume de dados aumenta, não sendo adequado para implementação em larga escala.
Arquitetura de deteção em dois níveis
Arquitetura recomendada: rastreio em tempo real com Isolation Forest no edge + inspeção offline com autoencoder na cloud. Primeiro nível (edge, Jetson Orin NX): modelo Isolation Forest (sem necessidade de treino, tamanho do modelo de apenas 2,3MB), que recebe o vetor de características de 17 dimensões enviado diariamente pelo gateway de edge da ponte rolante e avalia se o estado atual é anómalo. Latência de inferência <1ms/registo; para 60 pontes rolantes com 1 registo diário, o tempo total é de aproximadamente 60ms. Quando a Isolation Forest deteta uma anomalia, a sequência de características dos últimos 30 dias é empacotada e enviada para a cloud.
Segundo nível (cloud, servidor GPU): o autoencoder recebe as sequências suspeitas enviadas pelo primeiro nível, calcula o erro de reconstrução de cada dia e traça a curva de tendência do erro. Um limiar dinâmico é definido com recurso a um gráfico de controlo EWMA (média móvel exponencialmente ponderada) (coeficiente de suavização λ=0,2, limite de controlo 3σ). A anomalia é confirmada quando o erro de reconstrução excede o limite superior de controlo durante 3 dias consecutivos. Após a inspeção fina, a taxa de falsos positivos diminui de 17% no primeiro nível (a Isolation Forest tem 1-Precision=0,09 mas Recall=0,83, o que gera alguns falsos positivos) para 6% no segundo nível.
Validação em ambiente real
Num projeto de manutenção preditiva para 6 pontes rolantes de 32t numa empresa siderúrgica (n.º de projeto KL-PM-2024-017), foi implementada a arquitetura de deteção em dois níveis acima descrita. Durante 14 meses de operação: a deteção online com Isolation Forest gerou 408 alarmes (89 anomalias reais, 319 falsos positivos, taxa de falsos positivos por ponte de aproximadamente 3,8/mês). Dos 319 falsos positivos, após inspeção fina com o autoencoder, 287 foram confirmados como falsos positivos e 32 foram reclassificados como anomalias reais. O total de alarmes válidos foi de 121 (106 previsões corretas de anomalias reais, precisão de 87,6%), com um tempo médio de alerta antecipado de 18 dias. Em comparação com o método de limiar fixo baseado em regras (Vrms≥4,5mm/s), a arquitetura em dois níveis aumentou o tempo de alerta de 0 para 18 dias.
Perguntas frequentes
P: Porque é que a deteção de anomalias não supervisionada utiliza o F1-score como principal indicador em vez da precisão?
R: Porque os conjuntos de dados de deteção de anomalias são altamente desequilibrados (normal:anómalo=95:5). Se o modelo classificar tudo como “normal”, a precisão seria de 95%, mas o modelo seria inútil. O F1-score considera simultaneamente a Precision (exatidão dos alarmes) e o Recall (taxa de captura de anomalias), sendo o indicador padrão para avaliar problemas de classificação desequilibrada (ver norma ISO 5725 para validação de modelos de medição).
P: Como definir os parâmetros contamination da Isolation Forest e nu do One-Class SVM?
R: Tanto contamination como nu representam a estimativa da proporção de anomalias no conjunto de dados. A melhor prática é começar por estimar com base no conhecimento do domínio (por exemplo, a taxa histórica de falhas de rolamentos em pontes rolantes é de cerca de 3%~5%) e, em seguida, otimizar por pesquisa em grelha num intervalo pequeno (0,02~0,08). Nesta experiência, contamination=0,05 aproximou-se da proporção real de anomalias no conjunto de treino (4,6%). Se a estimativa se desviar demasiado (por exemplo, 0,01), muitas anomalias reais poderão não ser detetadas.
P: Qual é o custo adicional da arquitetura de deteção em dois níveis?
R: No edge (Jetson Orin NX): o custo de hardware por unidade é de aproximadamente 450€ (incluindo caixa de dissipação térmica), perfazendo um investimento inicial de cerca de 27.000€ para 60 pontes rolantes. No servidor GPU na cloud: podem ser utilizados os recursos GPU existentes do sistema de manutenção preditiva (NVIDIA A10), sem custos adicionais. O principal custo da arquitetura em dois níveis em relação à solução de autoencoder de nível único são os dispositivos edge Jetson, mas em contrapartida a transmissão de dados na rede é reduzida em cerca de 95% (apenas os dados anómalos são enviados), o que é vantajoso em ambientes industriais com largura de banda limitada.
P: Como definir e atualizar o limiar do autoencoder?
R: Definição inicial do limiar: utiliza-se o percentil 99,5 do erro de reconstrução (MSE) do conjunto de treino (dados normais) como limiar inicial. Atualização adaptativa durante o funcionamento: a cada 30 dias, o percentil 99,5 é recalculado com os dados normais dos últimos 3 meses, ajustando automaticamente o limiar em função do desvio de linha de base causado pelo desgaste natural do equipamento. Se o equipamento for submetido a uma revisão geral (substituição de rolamentos, etc.), é necessário recolher novamente 30 dias de dados normais após a revisão para estabelecer uma nova linha de base.
Normas recomendadas
Guindaste Industrial Kelude
A Kelude é especializada no fabrico de guindastes industriais e equipamentos de elevação, fornecendo soluções completas para os setores da construção, logística e indústria transformadora.
Com mais de 20 anos de experiência, a nossa gama inclui pontes rolantes, pórticos, guinchos e acessórios, todos concebidos para garantir máxima segurança, durabilidade e eficiência operacional.
Pontes Rolantes de Alta Qualidade
As nossas pontes rolantes são projetadas para movimentação de cargas pesadas em ambientes industriais exigentes. Disponíveis em versões de viga única ou dupla, oferecem soluções personalizadas para cada necessidade.
| Característica | Benefício |
|---|---|
| Capacidade de carga até 50 t | Adequada para aplicações industriais pesadas |
| Controle por inversor de frequência | Movimentos suaves e precisos |
| Sistema de frenagem redundante | Máxima segurança em todas as operações |
Pórticos para Movimentação de Cargas
Os pórticos Kelude são ideais para áreas externas e internas, oferecendo flexibilidade e robustez. Projetados para operações de carga e descarga, garantem alta produtividade com baixo custo de manutenção.
Disponíveis em configurações de viga única ou dupla, com opções de rodízios sobre trilhos ou pneus, adaptando-se a diferentes layouts de armazém e pátio.
Guinchos e Acessórios de Elevação
Complementamos a nossa oferta com uma linha completa de guinchos elétricos, talhas e acessórios como ganchos, lingas e manilhas. Todos os componentes são fabricados com materiais de alta resistência e passam por rigorosos controles de qualidade.
Manutenção e Suporte Técnico
Oferecemos serviços de manutenção preventiva e corretiva, bem como suporte técnico especializado. A nossa equipe está preparada para minimizar o tempo de inatividade e maximizar a vida útil do seu equipamento.
Com peças de reposição originais e técnicos treinados, garantimos a operação contínua e segura do seu guindaste.
Contacte-nos para uma Proposta
Para mais informações sobre os nossos produtos e serviços, ou para solicitar uma proposta personalizada, entre em contacto com a nossa equipe comercial.
